El futuro de la resonancia magnética

Rich Mather, Ph.D.

Los desafíos del acceso a la tecnología de RM provienen de una variedad de causas diferentes. Para algunos pacientes, es una cuestión de proximidad, ya que tienen que viajar cientos de kilómetros hasta el centro más cercano. Para otros, la claustrofobia o el tamaño físico les impiden poder hacerse un examen. Finalmente, para algunos, el costo del examen puede ser preventivo. Cualquiera sea el motivo, las limitaciones de acceso significan que muchos pacientes con una necesidad clínica de resonancia magnética no pueden obtenerla. Para mejorar el acceso, debemos minimizar el costo del sistema y, lo que es más importante, el costo total de propiedad. Esto reducirá la barrera para que las clínicas comunitarias más pequeñas y remotas instalen y operen un MR, aumentando la cobertura geográfica. Los nuevos diseños de sistemas se adaptarán mejor a más formas, tamaños y limitaciones de movimiento de los pacientes, además de minimizar la posibilidad de sufrir claustrofobia. Por último, los escáneres de resonancia magnética se diseñarán en torno a redes ubicuas de alta velocidad para construir un ecosistema de componentes interconectados que puedan ayudar a unir los sistemas informáticos de atención sanitaria distribuidos.

El otro gran desafío de la RM es el flujo de trabajo. La flexibilidad inherente a los sistemas de RM tiene el costo de generar grandes conjuntos de datos que capturen múltiples combinaciones de los diferentes mecanismos de contraste posibles. Las velocidades de adquisición son lentas en comparación con la TC y la ecografía, lo que dificulta la programación y el rendimiento de los pacientes. De manera similar, a medida que se resuelven los desafíos de acceso, la operación del escáner debe simplificarse y acelerarse para permitir imágenes de alta calidad sin la necesidad de tecnólogos altamente capacitados y para permitir escanear mayores volúmenes de pacientes en clínicas concurridas.

La IA también desempeñará un papel clave a la hora de agilizar y simplificar el flujo de trabajo de la RM en todo el proceso de diagnóstico, desde la preparación del paciente hasta la planificación del escaneo, la adquisición de imágenes y el análisis y la generación de informes de imágenes. Preparar al paciente para el examen es un paso fundamental para garantizar tanto la calidad del diagnóstico como una buena experiencia de imagen. Realizar partes clave de esta preparación fuera de la sala de escáneres mejora la eficiencia de los recursos de los escáneres y radiólogos. La introducción de tabletas con tecnología de inteligencia artificial que se integran con la consola del escáner permite que estos recursos críticos se centren en el paciente durante todo el proceso. Estas tabletas pueden precargar información clave del paciente y del escaneo, ayudar a recomendar y optimizar protocolos de escaneo y guiar la selección de la bobina. Además, las cámaras ópticas de techo pueden enviar información sobre la posición del paciente y de la bobina al motor de IA para optimizar la posición de la camilla y obtener la mejor calidad de imagen. Una vez que el paciente está correctamente centrado en el imán, otras redes de IA comienzan el proceso de garantizar que se utilicen los mejores planos de escaneo para el examen. Estos algoritmos examinan las imágenes del localizador, reconocen la anatomía del paciente y planifican automáticamente la geometría del escaneo y los parámetros de adquisición. Estas tecnologías pueden ayudar a optimizar el flujo de trabajo para anatomías neurológicas, cardíacas, hepáticas, de columna, de rodilla y otras anatomías, garantizando exámenes de resonancia magnética estandarizados y altamente reproducibles que son independientes de la experiencia del radiólogo. Esta reproducibilidad es especialmente crítica para los exámenes de seguimiento, de modo que se puedan adquirir planos de exploración idénticos. Durante la adquisición del escaneo, una combinación de hardware de sensor e IA detectará y corregirá las no idealidades en el campo magnético. Esto no sólo ayudará a acelerar aún más las adquisiciones, sino que también permitirá ubicar los escáneres en entornos menos restrictivos. Luego, una vez que los escaneos se han adquirido y reconstruido, el control de calidad de la IA puede examinar los datos en busca de artefactos y otros problemas. Dependiendo de la situación, estos pueden corregirse automáticamente o sugerir una readquisición al radiólogo. Por último, la IA ayudará a gestionar lo que de otro modo podrían ser volúmenes de datos abrumadores. Los datos de las imágenes se analizarán automáticamente y se identificarán los hallazgos clínicamente relevantes. Por ejemplo, en un conjunto de datos sobre accidentes cerebrovasculares, la discrepancia entre perfusión y difusión se calculará automáticamente y se generará un informe estructurado. Los hallazgos urgentes se pueden marcar y enviar al equipo clínico para su confirmación y seguimiento, lo que reduce el tiempo hasta el tratamiento. De manera similar, algoritmos como este pueden clasificar conjuntos de datos normales y priorizar listas de trabajo de lectura para los radiólogos lectores. Cada una de estas tecnologías ahorrará minutos en el proceso de diagnóstico y ayudará a aliviar la presión del personal o permitirá un mayor rendimiento en las clínicas más concurridas. En última instancia, la IA agilizará y simplificará todo el flujo de trabajo de RM.

La RM tiene el mayor potencial de cualquier modalidad de imagen actual y debería estar disponible en cualquier lugar, en cualquier momento y para cualquier persona. El costo, la velocidad, la complejidad y la disponibilidad han limitado este potencial. Las tecnologías futuras analizadas aquí democratizarán la RM, abriendo el acceso global y simplificando el flujo de trabajo para gestionar la creciente demanda sin comprometer la calidad o el costo.